Почему. Руководство по поиску причин и принятию решений Клейнберг Саманта

После ряда случаев хождения во сне житель Канзаса обратился в клинику расстройства сна, чтобы выяснить, что с ним не так. Чуть больше месяца спустя ему поставили диагноз «парасомния с отсутствием фазы быстрого сна» – нарушение ночного отдыха, которое вызывает необычное поведение, к примеру хождение или прием пищи во сне, причем человек об этом ничего не помнит. Спустя два месяца после постановки диагноза он увеличил дозу принимаемого лекарства, а еще через два дня его арестовали и предъявили обвинение в убийстве жены[312].

Случаи неосознанного убийства у больных парасомнией редки – но можно ли сказать, что эта ситуация из их числа? Определенные улики свидетельствовали в пользу этого. До ареста мужчина звонил в службу 911, при этом разговаривал как-то странно, казалось, был в замешательстве от того, что случилось, и это позволило предположить, что он в тот момент, возможно, спал (если принять в расчет историю болезни).

При дальнейшем изучении обстоятельств дела многие признаки, свойственные подобным преступлениям, не подтвердились. Он ссорился с женой (как правило, убийство совершается без повода); он не был рядом с ней (обычно близость к жертве необходима) и использовал несколько орудий убийства (в то время как обычно применяется всего одно). В конце концов он все же был признан преступником.

Дело в следующем: как раз потому, что парасомния может стать причиной убийства и оба этих фактора присутствуют, это не означает, что виновницей конкретного преступления стала именно болезнь.

Когда мы интересуемся, почему нечто имело место – почему начался бунт, почему машины столкнулись в ДТП, почему тот или иной кандидат победил на выборах, – мы хотим получить каузальное объяснение события, которое случилось или не случилось. Имеются и другие виды толкований – как причинных (ассоциации двух объектов), так и нет (большинство примеров из области математики[313]) – и множество теорий научной трактовки. В этой главе мы будем исходить из того, что цель объяснения – найти причины конкретных событий (токен-причины – термин, который я буду употреблять как синоним каузальных объяснений). В большинстве ситуаций мы, как правило, ищем объяснения вещам, которые пошли не так, как ожидалось. Но, кроме того, нас порой интересует, как удалось предотвратить ядерную катастрофу или остановить эпидемию.

Хотя типовая причинность позволяет увидеть общие свойства (к примеру, «воздействие солнечных лучей вызывает ожоги»), конкретная каузальность (или уровень токен-причин) касается специфических событий (к примеру, «4 июля Марк получил солнечные ожоги, потому что провел весь день на пляже, не применив средство от загара»). На типовом уровне мы пытаемся получить знание, которое можно использовать для предсказания события или вмешательства общего порядка (к примеру, с помощью политической программы в рамках всего населения страны), чтобы это будущее изменить. С другой стороны, конкретная причинность касается одного специального случая. Если я хочу узнать, почему отменили мой рейс, информация о том, что погода и условия воздушного движения нередко приводят к задержке вылета, ничем не поможет, если конкретный полет был отложен из-за неполадок оборудования.

Конкретная причинность часто предполагает более высокие ставки – к примеру, при определении юридической ответственности или расстановке рейтингов в присуждении наград. Конечно, возможны и единичные события, которые не повторятся никогда, так что мы даже не будем знать о существовании каузальной взаимосвязи, пока такое событие не произойдет[314]. Возможно, война между Францией и Мексикой началась частично из-за кондитерских изделий[315] – никакой другой военный конфликт такой причины больше не имел[316]. Некоторые побочные эффекты лекарственных средств, скорее всего, ни разу не проявлялись при клинических испытаниях, но они способны всплыть на фоне применения этого лекарства более широкой группой пациентов с разными характеристиками.

Именно подобное различение делает столь трудной задачу выявления конкретной причинности (которую также именуют сингулярной, или фактической). Если мы не можем исходить из допущения, что типовые причины – это маркеры, как узнать, почему произошло нечто?

Мы рассмотрим, что значит, если одна вещь становится причиной другой при конкретных условиях. И как этот случай отличается от более общих взаимоотношений, когда мы хотим выявить свойства, которые останутся истинными в долговременном масштабе. Как и всегда, существует множество способов осмысления сочетаний обоих указанных типов причин.

Мы можем вначале постараться выяснить общие свойства, а затем применить их к отдельным случаям; вначале получить знания на основе особых ситуаций, а потом вывести общие заключения; или разработать методы, совершенно не связанные между собой. Каждый из подходов требует фильтровать и оценивать имеющуюся информацию, но существует растущая область познания, с помощью которой ученые пытаются автоматизировать процесс каузального объяснения. Мы увидим, как это делается, и проанализируем некоторые сопутствующие проблемы. Наконец, изучим причинность в сфере закона и узнаем, как суд присяжных оценивает улики. Юридические ситуации так же несвободны от проблем, как и другие, но здесь добавляется необходимость вынесения решения. Способ, с помощью которого судьи сводят воедино набор разрозненных доказательств и дают четкое объяснение, одновременно определяя достоверность этих доказательств, поможет понять, как разбираться с другими ситуациями.

Поиск причин единичного события

Если я знаю, что краны текут из-за изношенных прокладок, объясняет ли это, почему в прошлый вторник сломался кран в квартире Энн? Можем ли мы сказать, что пассажиры опаздывают на рейсы по вине служб безопасности аэропортов, если Берни не успел на свой самолет, выстояв слишком длинную очередь на проверку?

В первом примере мы имеем дело с общей, типовой зависимостью и используем ее, чтобы объяснить специфический случай. Именно так работает большинство подходов, но альтернативный взгляд на вещи предлагает, чтобы вместо этого мы свели воедино ряд индивидуальных ситуаций и на их основе сделали заключения относительно общих свойств[317]. Сосредоточимся на использовании типовых причин для объяснения конкретных ситуаций и обсудим некоторые из проблем такого подхода, прежде чем ослабить связь между типом и токеном и, наконец, полностью их разделить.

Скажем, мы хотим знать, что стало причиной конкретной автокатастрофы. Нельзя выявить закономерность на основе единичного наблюдения, но можно использовать первичное знание о том, что вызывает дорожные происшествия, а с его помощью объяснить то, которое нас интересует. Используя INUS-условия Маки (см. главу 5), к примеру, мы получаем наборы факторов, и, если имеют место компоненты хотя бы одного набора, следствие определенно произойдет.

Но каждый такой набор не необходимое условие, поскольку может существовать множество групп факторов, достаточных, чтобы вызвать следствие.

Для предположения, что обледеневшая дорога стала конкретной (токен) причиной ДТП, нужно знать и другие факторы, необходимые для провокации аварии, поскольку (в этом примере) одного только льда недостаточно. Но что случится, если в наличии гололед, плохая видимость, водитель автомобиля нетрезв и на дороге плотное движение? Согласно рис. 5.2, этих факторов также достаточно для катастрофы. Воспользовавшись анализом Маки, мы просто не сможем найти виноватых в таком сверхдетерминированном событии со множеством достаточных причин.

Другой способ осмысления единичных случаев – представление альтернативных вариантов. Если бы дорога не обледенела, произошла бы авария? Если бы водитель не выпил перед тем, как сесть за руль, развивались бы события иначе? Здесь причина – это некий фактор, присутствие которого изменило ход событий: если бы его не было, итог мог оказаться другим.

Это в точности пример контрфактуального рассуждения, которое мы рассматривали в главе 5: если бы не было причины, следствие также не произошло бы (а если бы существовала причина, существовало бы и следствие). Контрфактуальные подходы применяются в основном для объяснения; запомним эту идею о различиях в том, как происходят события.

Контрфактуальные утверждения встречаются повсеместно. Если бы я не принял лекарство, то не выздоровел бы; если бы лег в постель пораньше, не заработал бы головную боль; если бы не спешил, переходя дорогу, то не споткнулся бы и не упал. Существует немало сходства между контрфактуальным рассуждением и нашим объяснением, почему происходят те или иные вещи (в психологии это называется каузальной атрибуцией)[318], но контрфактуальные высказывания не вполне объясняют процесс рассуждений. Бывает, когда контрфактуальный подход говорит, что каузальности не существует (хотя люди с этим не соглашаются). Случается, есть контрфактуальная зависимость, и люди считают, что зависимость имеет причинный характер.

Одно исследование проверяло связь между этими типами рассуждений. Участники читали рассказ, где герою дают медленно действующий яд, а он после этого перебегает через дорогу и становится жертвой автокатастрофы прежде, чем действует яд[319]. Согласно сюжету, он вел преступную жизнь, из-за чего его и пытались убить. Затем участники должны были определить, что стало причиной смерти человека.

Здесь каждая из двух причин могла привести к гибели (яд и автоавария), поэтому контрфактуальной зависимости нет. И все же участники исследования не посчитали эти причины симметричными. Они рассматривали автокатастрофу как релевантный случай каузальности и давали разные ответы, когда их просили вынести контрфактуальные или причинные суждения. Экспериментируемые считали, что эти процессы осмысления не одно и то же. Они не рассматривали криминальную историю жертвы как повод к его гибели, но все же сочли этот фактор самым важным с контрфактуальной точки зрения. Вероятно, участники полагали, что, если бы можно было вернуться в прошлое и устранить этот фактор, исход изменился бы самым кардинальным образом[320].

Но люди могут и расходиться во мнениях. Заметьте: я упомянула о самых популярных ответах, но не сказала, что они были одинаковыми. Действительно, это наиболее общие причинные или контрфактуальные суждения, однако некоторые участники пришли к иным результатам. Далее в этой главе мы увидим, как делают выводы присяжные в суде – то есть как люди, оценивая один и тот же набор фактов, расходятся во мнениях о причине. Наша задача – разобраться, как мы мыслим, понять причину расхождений между философскими теориями и обыденными суждениями. Как мы видели в главе 2 и главе 3, все мы пристрастны в поиске и оценке доказательства, причем это проявляется по-разному.

Иногда вполне приемлемо, что на исход ситуации влияют многие факторы, но порой необходимо учитывать относительную ответственность. Вспомним пример с расстрельной командой. Возможно, причиной смерти стали все стрелявшие, и нет нужды знать, кто именно «по-настоящему» ответственен за исход. С другой стороны, в юридических случаях соглашение достигается, исходя из относительного вклада каждого фактора в следствие. Скажем, человек страдает потерей слуха из-за постоянного громкого шума на рабочей площадке и черепно-мозговой травмы. Компенсация, присужденная ему, будет отличаться от той, которую получат люди, потеря слуха у которых полностью вызвана шумом на рабочем месте, и будет поделена между сторонами, ответственными за каждую из причин. Есть и практическая проблема: мы не имеем никакой возможности вычислить, что, скажем, 40 % потери слуха вызвано шумом, а 60 % – травмой.

Если невозможно наверняка утверждать, что причиной послужил конкретный фактор, предлагается решить распределение так: назначить компенсацию пропорционально доле каждого фактора в масштабах всего населения или доле страховых случаев после воздействия условия относительно частоты страховых случаев для всех потенциальных факторов риска[321]. Здесь по-прежнему есть допущение, что общее число транслируется напрямую на единичный случай: невозможно определить, что для конкретного человека эти доли распределялись по-другому. Как мы вскоре увидим, можно добиться определенного прогресса путем подсчета вероятностей для единичных случаев, однако требуется гораздо больше знать об этих ситуациях.

Если мы будем объяснять более конкретно, это также может разрешить проблему кажущегося избыточного детерминизма. В рассмотренных ситуациях мы трактовали все примеры – скажем, смерти – как события одного типа. Мы не проводили различия между гибелью в ДТП в 2 часа дня и кончиной от отравления в 10 часов вечера. При условии, однако, что летальный исход все равно наступит, если подождать достаточно долго, мы уже принимаем во внимание, что он случится так или иначе, просто нечто может стать причиной раннего или позднего наступления.

Одна из поправок к контрфактуальному методу – исходить не просто из того, мог ли случиться тот или иной итог, а рассудить, мог ли он быть иным. Жертва в этом примере умерла бы иначе и в другое время, если бы не побежала через дорогу, а яд подействовал[322]. Вот таким образом мы можем искать причины ситуаций, которые в противном случае казались бы сверхдетерминированными.

Если бы мы захотели узнать, почему в последнем примере герой умер, мы могли бы поинтересоваться, почему погиб именно он, а не какой-нибудь другой преступник, почему авария была с летальным исходом или почему это произошло именно в тот день, а не в другой.

То есть, даже если нам удается решить проблему сверхдетерминированности, нужно учитывать, что два человека, использующие одинаковый подход, могут прийти к разным определениям причинности. Точно так же, как выбор того, что измерять и как это описывать (например, вес или индекс массы тела), может изменить логические умозаключения на уровне типа и трансформировать объяснения на уровне конкретики.

Помимо выбора переменных есть дополнительная трудность: необходимо определить, что присутствует, а чего нет.

Вы могли бы заявить, что езда в автомобиле пьяным или трезвым – это факт либо истинный, либо ложный и, как и в отношении причинных зависимостей, есть данные, позволяющие судить об истинности этого факта. Но существуют разные степени опьянения. Это как один посещает концерт громкой музыки раз в год, а другой играет в рок-группе или ходит на подобные концерты раз в неделю: они подвержены разным рискам потери слуха. Между влиянием этого фактора на объяснение и причинное осмысление разница в том, что в последнем случае на основе данных мы определяем набор переменных (например, переводим вес и рост в индекс массы тела) и выводим зависимости между ними.

В случае с токенами мы прилагаем соответствующий сценарий к имеющемуся типовому знанию. Пусть предыдущее исследование выявило, что люди, которые много упражняются, имеют низкую частоту сердечных сокращений[323]: теперь мы хотим знать, объясняют ли занятия спортом низкую ЧСС у Трейси. Если повезет, в первичном изучении будет указано, как долго человек должен упражняться (например, 6 раз в неделю по 30 минут), чтобы частота сердечных сокращений понизилась. Но это все равно будет субъективным мнением. Окажется ли такая зависимость истинной, если упражняться более трех месяцев? Можно ли сказать, что любые виды занятий дают идентичный эффект или йогу и плавание нужно оценивать по-разному? Имеет ли значение, что Трейси упражняется только в теплую погоду, а не всю зиму напролет?

Я упоминаю о сопоставлении наблюдений на уровнях токена и типа, поскольку не всегда очевидна субъективность в определении произошедшего[324].

Люди могут задавать разные вопросы о некоем событии и считать какие-то факторы более ярко выраженными (вероятно, исходя из того, что они способны контролировать), но это не изменяет фактического вклада каждого компонента в общую ситуацию. Например, на получение Нобелевской премии влияют многие вещи: усердный труд, везение, изучение наук с раннего детства, а может, и потребление шоколада, как говорилось в той статье, с которой мы знакомились ранее. Если некто сосредоточивается на том, чтобы изучить связь между Нобелевской премией и шоколадом, это изменяет лишь задаваемые вопросы, но не реальный факт, а именно: правда ли шоколад повлиял на исход дела сильнее, чем везение. Но, когда мы пытаемся автоматизировать объяснение, приходится отказываться от субъективных суждений и определять, какие свойства более важны. Чтобы истолковать последствия повторяющегося воздействия громкого шума, нужно знать историю жизни человека, поэтому нам понадобятся сведения о количестве посещенных концертов за неделю, а также подвергается ли он воздействию шума на работе или живет рядом со стройкой.

Мы исходим из следующего допущения: если причиной ДТП явилось нетрезвое вождение, на момент катастрофы водитель был пьян. В другом случае, говоря об инфекциях с длительным инкубационным периодом, мы допускаем, что некогда было воздействие вируса. Заразиться гриппом от человека, с которым вы обедали год назад, совершенно невероятно, но точно так же нельзя заболеть через минуту после того, как вы сели за стол с носителем инфекции.

Очередная трудность при переводе объяснения с уровня типа на токен-причины – временной паттерн. Даже если информация на уровне типа, которой мы располагаем, не сообщает, сколько времени нужно для получения следствия, мы все равно не сможем обойтись без учета фактора времени, так как он влияет на релевантность информации по отношению к конкретному случаю. Если мы вообще ничего не знаем о временном паттерне, необходима некая степень суждения, чтобы определить истинность чего-либо. То есть, если мы пытаемся выяснить, действительно ли контакт с носителем вируса вызвал заболевание гриппа у конкретного лица, нам важно знать, когда произошел контакт, чтобы определить, мог ли он стать причиной заболевания именно в тот момент.

Некоторые методы причинных умозаключений предусматривают временные интервалы, или окна, поэтому мы узнаем, например, что заражение полиомиелитом может вызвать постполиосиндром[325] через 15 лет после выздоровления[326]. Наличие информации такого рода снимает необходимость в суждениях о времени, так как не требуется спорить, вызваны ли симптомы заболевания постполиосиндромом, если они обнаруживаются всего через несколько месяцев после выздоровления. Если человек болел полиомиелитом в пределах известного временного интервала, тогда это истинно для токен-случая, который мы стараемся объяснить, и два человека, имеющие одинаковые данные, должны прийти к одинаковому выводу: стал ли известный диагноз потенциальным объяснением симптоматики пациента.

Но, как обычно, это еще не конец. Скажем, мы обнаружили, что некое лекарство снимает головную боль за 30–60 минут. У Чарли болит голова, он принимает лекарство и через 62 минуты чувствует себя лучше. Помогло ли лекарство снять боль? Хотя 62 минуты выбиваются из известного нам временного окошка в 30–60 минут, вряд ли стоит жестко утверждать, что лекарство не сняло проблему, потому что временной паттерн не показывает идеального соответствия. Причина в том, что наши знания о действии препаратов от головной боли и опыте их применения делают неправдоподобной возможность того, что лекарство действует лишь в пределах тридцатиминутного окошка. То есть через 29 минут оно еще не действует, а по прошествии 30 минут сразу приобретает активность. Да, возможно, временное окно – первостепенный интервал, в рамках которого причина активна, но это не означает, что следствие не может случиться вне этого интервала; просто это менее вероятно. С другой стороны, лихорадка денге[327] может развиться внезапно, и, взяв за основу многолетние данные по инфицированию, мы можем выявить минимальные и максимальные инкубационные периоды, которые когда-либо наблюдались. В этом случае гораздо выше наша уверенность, что инфицирование нельзя вызвать контактом вне соответствующего временного паттерна.

Случай Чарли не совпадает в точности с предыдущим знанием, но все же совпадения достаточно, если мы намерены применять методы оценки объяснений с достаточной степенью гибкости: тогда скажем, что именно лекарство избавило его от головной боли. В то же время нужно уметь разбираться с ситуациями при менее гибких временных паттернах. Таким образом, обнаруживая типовые взаимоотношения, желательно уметь определить, что представляют собой временные окна – единственный интервал, когда может случиться следствие, или всего лишь промежутки, когда следствие наиболее вероятно. Определенная степень гибкости в этом случае также означает, что известные паттерны времени привязаны к соответствующим базовым знаниям. Если они получены на основе небольшого набора данных, то, возможно, необычно короткий инкубационный период не был принят в расчет. Или измерения проводились так редко, что первый врачебный контроль был два дня спустя и из-за отрывистости сведений мы не в состоянии узнать, могло ли заболевание развиться в самый первый день.

Возможно, не имеет смысла строго придерживаться какого-то известного временного окна, если ошибочно наше знание о том, когда события произошли на токен-уровне. Если я скажу, что некое событие имело место неделю назад, степень вероятности будет такой же, как при сроке в 6, 7 или 8 дней. Точно так же «год назад» почти определенно не означает «точно 365 дней назад». Даже если мне известно, что одна вещь через год вызывает другую, жесткость в отношении временного окна не учитывает присущую сведениям неопределенность[328].

Объяснение с долей неопределенности

Одно из решений проблемы – ослабление связи между типом и токеном.

Поскольку мы понимаем, что наблюдаемое и известное могут не совпадать в точности из-за множества причин, попробуем включить эту неопределенность в объяснение. Головная боль, прошедшая через 29 минут, достовернее объясняется действием препарата, чем та же проблема, исчезнувшая через 290 минут после его приема.

Аналогично может быть некоторая неопределенность относительно случившегося события, и мы ею воспользуемся, чтобы дать более точные объяснения. Мы не знаем наверняка, что Чарли принимал парацетамол, однако видели рядом со стаканом воды открытую упаковку лекарства и воспользовались этой косвенной информацией для оценки вероятности того, что он действительно выпил препарат. Не станем вдаваться в детали, однако это суть метода – напрямую учесть неопределенность как первичной информации, так и знаний о токен-случаях[329].

INUS-подход Маки исходит из следующего допущения: нам известно достаточно о механизме действия тех или иных вещей, чтобы определить детерминистские причинные комплексы: в присутствии некоего набора факторов всегда случается следствие. Но, как мы уже видели, многие взаимоотношения носят вероятностный характер (по причине либо фактического индетерминизма, либо неполного знания о мироздании). Причина, имеющая очень низкий шанс генерирования следствия, все же способна оставаться причиной и в токен-случае. Но вероятности, или силы каузальных зависимостей, которые мы рассчитываем, дают некоторую информацию о ее возможности. Нужно использовать эти весовые коэффициенты, чтобы понять, насколько они основательны с точки зрения различных объяснений[330].

Посмотрим, как это работает.

Скажем, требуется выяснить, почему Ирен не спала прошлой ночью. У нас есть мера причинной значимости (см. главу 6), и мы обнаруживаем, что 100 мл кофе эспрессо при бессоннице имеет коэффициент значимости 0,9, если некто пытается заснуть в пределах следующих 4 часов.

Если известно, что Ирен пробовала уснуть через 3 часа после того, как выпила именно столько эспрессо, значимость этого события для ее случая бессонницы будет 0,9. Если бы вместо сна она решила посмотреть телевизор, но через 6 часов после выпитого кофе не могла уснуть, значимость фактора напитка могла быть ниже 0,9, так как был нарушен предел обычного временного диапазона. На рис. 8.1 показана эта последовательность событий и известное временное окно причинной зависимости (серым цветом). Интервал в 6 часов больше известного окна, показанного серым прямоугольником, поэтому кажется невозможным, что бессонницу Ирен вызвал кофе, который она выпила ранее этого времени.

Рис. 8.1. Здесь эспрессо вызывает бессонницу в пределах 4 часов

Конечно, мы и не подумаем, что бессонница будет одинаково возможна в пределах всего временного окошка от 0 до 4 часов и через 4 часа ее вероятность будет стремиться к нулю. Скорее рассудим, что изображение на рис. 8.2 более правдоподобно: здесь шанс после четвертого часа снижается медленно. Оценивая значимость причины в различных временных точках до наступления следствия (или объясняя следствия в различные временные точки после конкретного случая причины), нужно комбинировать эту вероятность с коэффициентом значимости. То есть более сильная причина, немного выступающая за пределы известного временного интервала, более значима, чем слабая, когда временные паттерны типа и токена совпадают. Если в комнате Ирен слишком жарко, когда она пытается заснуть, это может повысить шанс нарушения сна, однако мы по-прежнему будем утверждать, что главный виновник бессонницы – кофе за 4,5 часа до того.

Рис. 8.2. Вероятность бессонницы с течением времени. На оси Х показаны часы после выпитого эспрессо

Основная идея такого подхода – оценка значимости на уровне типа с помощью информации на уровне токена. Мы можем обнаружить, что в специфических случаях значимость того или иного фактора ниже его значимости на уровне типа из-за различий временных паттернов или неопределенности событий. Исходя из известного механизма действия (например, медикамента) или предыдущей информации (вычисления вероятности следствия), мы можем создать функцию, которая покажет, как сопоставить наблюдение с шансом по-прежнему активной причины.

Рис. 8.3 дает представление о некоторых функциях. На рис. 8.3 (а) показаны только два значения вероятности: 0 и 1. Это означает, что временное окно – единственный период, когда причина может вызвать следствие, и временные точки вне его не значимы. С другой стороны, на рис. 8.3 (в) шанс того, что причина вызовет следствие вне временного окна, падает гораздо медленнее.

Рис. 8.3. Оценка различных возможных функций относительно известных временных паттернов. Сплошными линиями показаны интервалы, когда причины с наибольшей вероятностью вызывают следствие, а пунктирными – изменение вероятности до и после этих интервалов

Вместо того чтобы субъективно определять, относится ли ситуация к случаям знания на уровне типа, мы получаем более структурированный метод, сочетающий тип и токен.

Но что, если мы не знаем наверняка, пила ли Ирен эспрессо? Известно, что она встречалась в кофейне с подругой, и хотя она обычно пьет много кофе, иногда выбирает напиток без кофеина. Не зная непосредственно, имела место причина или нет, мы можем воспользоваться другой информацией, вычислить вероятность причины и заново взвесить значимость сведений на уровне типа.

Итак, если причина точно была, ее значимость будет одинакова как на уровне типа, так и на уровне токена. С другой стороны, если токен-причина несколько невероятна, принимая в расчет наши наблюдения, ее значимость соответственно снижается.

Есть набор причин и последовательность событий, которые мы наблюдали, и, чтобы определить значимость различных гипотез, мы их комбинируем[331]. То есть результатом будет не бинарное утверждение «это стало (или не стало) причиной того», но ранжирование потенциальных причин, как показано на рис. 8.4. Мы получим ряд возможных каузальных объяснений следствия, и измерение значимости каждого из них будет представлять из себя комбинированное значение «тип-токен», показывая, насколько точен временной паттерн и с какой долей вероятности каждая из причин могла случиться в указанные временные интервалы. В отличие от других подходов, здесь необязательно иметь полное знание об истинности/ложности переменных, а временные паттерны на уровне токена могут отличаться от таких же на уровне типа, позволяя эффективнее разбираться с ситуациями каузальных цепочек и сверхдетерминированности.

Рис. 8.4. Пример объяснения бессонницы методом комбинирования взаимосвязей на уровне типа с информацией на уровне токена с ранжированием причин

Разделение типа и токена

Скажем, мы выявили набор факторов, определяющих результативность в баскетболе. Когда однажды в субботу днем во время матча игрок бросает мяч, все факторы наличествуют, однако в последнюю минуту он пролетает мимо сетки, потому что случается землетрясение. Таким образом, имеют место все факторы, которые должны обеспечить попадание мяча в корзину, но этого не происходит. Условия не стали причиной гола (потому что его не было), но, если не брать в расчет землетрясение, другие факторы также не могли стать причиной того, что игрок промазал.

Заметим, что до сих пор мы в основном сосредоточивались на объяснениях, почему произошли события, которые на самом деле произошли. В психологической литературе (см. главу 2) приводится курьезный постулат: людям можно поставить в вину то, чего в действительности не было. Кого-то обвиняют в попытке совершения убийства, а студент, пробовавший списать на экзамене, все равно виновен, даже если его дерзание провалилось.

Если кто-то не полил цветок, а растение все равно выжило, как это можно объяснить? Здесь мы привлекаем внимание к тому, что цветок должен был завянуть, но в реальности не погиб. Отсутствие воды предшествовало, но не стало причиной выживания. Шансы цветка начали снижаться с первого дня, когда он перестал получать воду, и продолжали таять с течением времени. Интуитивно можно понять: когда нечто случается даже при свершении события, снижающего его вероятность, это нечто случается несмотря на, а не в результате этого события. Аналогично, если нечто не произошло несмотря на некое событие, повысившее его вероятность, оно также не произошло, несмотря на событие. К примеру, пациент умер, несмотря на отличный медицинский уход.

Скажем, Адам и Бетти больны гриппом. За неделю до того у Адама был обед с Клер, а та заболевает гриппом через день после второго обеда, с Бетти. Шансы на то, что Клер заболеет гриппом, росли после ее встречи с Адамом, но потом стали снижаться, когда наступил инкубационный период. Они возросли снова после обеда с Бетти и оставались высокими, пока та на самом деле не заболела. Это показано на рис. 8.5.

Рис. 8.5. Вероятность гриппа с течением времени. Шанс растет после первого обеда и снижается до второго. После второго контакта вероятность растет то того, пока человек действительно не заболевает гриппом

Несмотря на то что перед нами два примера причины-типа (контакт с носителем гриппа), мы видим, что здесь нет сверхдетерминированности, поскольку только один контакт стал причиной болезни. В предыдущем разделе мы разбирались с подобной ситуацией с помощью временных паттернов на уровне типа. Этот подход имеет отличия, поскольку здесь мы анализируем изменение вероятности на уровне токена. Это также поможет разобраться со случаями, где токен-вероятность отличается от вероятности-типа.

Известно, что вакцины в целом предотвращают летальный исход, но в некоторых редких случаях становятся его причиной; конкретное растение может погибнуть, если его полить кофе, даже если никакое другое растение от этого не погибало; можно возложить вину на человека, попытавшегося совершить убийство, даже если потенциальная жертва выжила. Ключевое ограничение в следующем: исходя из общей информации для объяснения конкретных случаев, мы допускаем, что значимость на уровне типа равна значимости на уровне токена.

Этот подход – посмотреть, как вероятность события меняется после наступления причины и как меняется со временем, – предложил философ Эллери Иллс[332]. Проблема гораздо шире, чем наши возможности ее рассмотрения на этих страницах, однако суть подхода в том, что единичные вероятности трактуются иначе, чем общие, и в основе лежит изменение вероятности реального события с течением времени.

Использование вероятностей единичного случая, который мы пытаемся объяснить, означает, что мы можем провести различие между тем, что случается как правило, и тем, что случилось в действительности. Здесь по-прежнему учитывается причина, обычно предшествующая событию и влекущая его за собой.

Немаловажно, что при этом мы можем обновить аналитические выводы, приведя их в соответствие с тем, что наблюдаем. В одном из примеров Иллса озорные белки любили отталкивать мячи для гольфа от лунок, но однажды зверек помог игроку, направив мяч прямо в лунку. Если применить метод, основанный на вероятностях уровня типа, то, даже если мы в действительности видим, что траектория мяча делает попадание все более и более вероятным, и наблюдаем, как меняется его путь после того, как по нему ударили, мы все равно не сможем откорректировать уже имеющееся знание на уровне типа, чтобы учесть новые данные. И это приведет к получению не связанных между собой и контринтуитивных результатов.

Когда вероятность меняется после наступления события, становится высокой и остается такой, пока не случится следствие, говорят, что следствие произошло из-за причины. Наоборот, если вероятность события падает после наступления события, тогда следствие происходит, несмотря на событие[333]. Трудности, характерные для этого подхода, имеют в основном практическую природу, поскольку, к примеру, непросто выяснить вероятность попадания мяча в лунку на каждой точке его траектории.

Автоматизация объяснения

Какими возможностями мы располагаем, чтобы протестировать контрфактуальные рассуждения? Как узнать, насколько изменилась вероятность со временем?

Одно из ограничений в целом многообещающих философских теорий состоит в том, что они, реально учитывая разницу между типом и токеном, требуют наличия порой невозможного количества информации о рассматриваемой ситуации. Да, хорошо знать, что в некий момент времени вероятность попадания мяча в лунку для гольфа составляла 0,5, а после удара по мячу возросла до 0,7. Но откуда взять такие данные?

Один из способов решения проблемы – построение модели интересующей нас системы. Взяв за основу простые законы физики и допущения о скорости ветра и вероятностях прочих действующих факторов, можно предсказать физическую траекторию мяча для гольфа до и после удара. Поскольку исход бывает не детерминирован, можно смоделировать ситуации для каждого положения мяча и рассчитать, как часто он будет оказываться в лунке с конкретной точки.

Чем дальше мяч, тем выше шансы на то, что ветер или еще какое-то неожиданное событие изменит его курс, а чем ближе он будет продвигаться к лунке, тем сильнее должно быть изменение, отклоняющее от цели. Контрфактуальный подход позволяет моделировать разнообразные Вселенные и разрабатывать количественные меры, чтобы оценить, насколько одна Вселенная подобна другой и насколько вероятно следствие без причины.

В сфере медицины мы, как правило, не располагаем достаточным объемом информации, чтобы достоверно смоделировать возможные варианты течения болезни. Однако мы способны взять за основу данные временных рядов других пациентов. Скажем, нужно знать, действительно ли пациент с пневмонией останется в живых через две недели после постановки диагноза, потому что ему давали антибиотики (то есть наша задача – определить, можно ли этими препаратами объяснить выздоровление). Тогда до начала терапии собираем все доступные сведения о больном, находим людей с похожими историями болезни и вычисляем процент выживаемости на двухнедельном временном отрезке. Теперь мы можем увидеть, как изменилась вероятность выживания после приема антибиотиков, рассмотрев только пациентов из первичной группы, получавших это лечение. По прошествии времени сужаем выборку участников, которую брали для сравнения, точно так же, как сужали выборку траекторий мяча для гольфа (когда он достигает определенного положения, учитываем только траектории, начинающиеся с этой точки).

Определение причин уровня типа на основании данных всегда было важной областью исследований в информатике, но методам автоматизации процесса объяснений уделялось гораздо меньше внимания[334]. Эта проблема меньше поддавалась автоматизированным решениям, чем причинно-следственные заключения, частично из-за трудностей перевода таких подходов, как контрфактуальный, в инструкции, доступные для реализации машиной. Чтобы создать программу, которая усвоит некоторую информацию о ситуации и скажет, какова причина соответствующего исхода, нужно закодировать процесс объяснения в виде последовательности шагов, которые не требуют суждений или мнений.

Вторая ключевая проблема – как оценить подобные системы. Чтобы знать, работает ли алгоритм, необходимо сравнить его результат с правильными ответами. Но в конкретной причинности верный ответ ясен не всегда. Проблема становится особенно острой, если нужно провести оценку метода, определяющего вклад различных факторов в исход ситуации, к примеру выявить относительную ответственность двух отдельных факторов риска за болезнь пациента.

Причинность и закон

Эта книга начиналась примером того, как неверное использование вероятностей и неспособность понять суть причинности привела к ошибочному приговору Салли Кларк. Но если абстрагироваться от некачественной статистики – как же вышло, что апелляционные суды выносят разные решения, а присяжные, имея в распоряжении одни и те же доказательства, неделями не могут прийти к единому мнению?

Понимание причинности в области закона[335], в особенности того, как судьи делают заключения, поможет лучше оценивать доказательства в иных сферах. Это тот самый случай, когда люди стараются управиться с огромными объемами потенциально сложной и противоречивой информации, где есть не одна причина для одного следствия, но целая история причинно-следственных связей, а информация имеет жесткие внутренние соотношения (одно ложное заявление свидетеля может привести к тому, что другие его слова потеряют вес).

Согласно ряду философских теорий, определенные случаи просто нельзя разрешить – например, если событие сверхдетерминировано. Но это утверждение неприемлемо в области закона, где урегулирование ситуации обязательно. В случае когда человек подвергался одновременному воздействию асбеста и сигаретного дыма, мы не можем просто воздерживаться от определения пропорции. Здесь каждый из факторов риска ответственен за болезнь легких у пострадавшего. Если он требует компенсацию, нужно найти какой-то способ разделить вину между сторонами.

В медицине или исторической науке эксперты применяют навыки, наработанные обширным опытом и подготовкой, объясняя необычные симптомы пациента или узнавая, что вызвало к жизни политическое движение в конкретный момент времени. Нашу же ситуацию делает особо интересной то, что члены жюри присяжных никак не эксперты в области юриспруденции или специфике рассматриваемых дел. Для сравнения: они оценивают свидетельства из области медицины и экологии, чтобы определить, необычен ли набор онкологических диагнозов или действительно ли эти ДНК уникально идентифицируют подозреваемого, – при том что они не онкологи и не генетики. Цепь их логики очень похожа на наши обыденные суждения, когда ради достижения практических целей мы должны искать объяснения, не обязательно обладая глубокими знаниями в соответствующей области.

Скажем, водитель вовремя не нажал на тормоза, и его авто столкнулось с другой машиной. Но он не знал, что тормоза автомобиля неисправны, так что, даже если бы и попытался их задействовать, все равно не смог бы вовремя остановиться. Этот часто используемый пример взят из материалов реального судебного разбирательства, когда фирма по аренде автомашин должным образом не провела техническое обслуживание и не проверила работоспособность тормозов[336].

Этот случай постоянно цитируется, потому что один из ключевых методов определения каузальной зависимости в юридических делах основан на контрфактуальных рассуждениях. Нас интересует: «если бы не» чьи-то действия (или несовершение каких-то действий), имело бы место следствие? Если бы, к примеру, электрики не создали скачок напряжения в сети, мой жесткий диск не был бы поврежден. Подобные рассуждения, которые также называют фактической причинностью, в точности соответствуют контрфактуальным рассуждениям. Есть допущение, что причина – решающий фактор, без которого следствие не было бы возможным.

Однако каузальные рассуждения «если бы не» не свободны от всех проблем, которые свойственны контрфактуальным. В юридических случаях основное препятствие в том, что этот метод не работает при сверхдетерминировании. Если электрик неправильно соединил провода, а мой стабилизатор напряжения в это время был неисправен и не смог бы защитить жесткий диск компьютера даже без действий электрика, результат имел бы место по любой причине, а поэтому ни та, ни другая не прошла тест «если бы не».

Вернемся к дорожному происшествию. Этот случай сверхдетерминирован двумя факторами (тормоза не сработали, они неисправны), любой из которых провоцировал аварию. Хотя тормоза были неисправны, они не могли вызвать ДТП, потому что не было попытки ими воспользоваться. В конечном счете не имело значения, использовались тормоза или нет, но даже несмотря на это водитель был объявлен виновным. Он не знал, что тормоза неисправны, и, следовательно, не задействовал их должным образом, чтобы избежать столкновения[337].

В сверхдетерминированных случаях два и более фактора могут вызвать следствие, и ни один не может быть точно назван его причиной. Но и в случаях с определением приоритетности есть два фактора, которые могут отвечать за следствие. В действительности причиной служит только один: к примеру, медсестра отключает пациента со смертельным диагнозом от аппаратуры обеспечения жизнедеятельности до того, как болезнь его убивает.

В исследовании участвовали 30 студентов первого курса юридической школы – им задали вопрос: кто виновен в том самом ДТП с неисправным автомобилем? Самым популярным ответом (43 %) был такой: состояние тормозов и водитель несут равную ответственность за аварию. 33 % возложили вину на человека, 23 % – на механизм[338].

В ряде инструкций для судей недвусмысленно предлагается решать подобную проблему в случаях сверхдетерминирования: либо заявляя, что причинами служат оба фактора, либо более пристально рассматривая следствие, как в слегка видоизмененном подходе Льюиса. Если два пиромана разожгли два отдельных огня, которые охватили дом быстрее, чем мог бы сделать любой из них по отдельности, то исходом может стать не простое разрушение дома, а немедленное, за 30 минут (не за 90); во втором случае пожар, возможно, удалось бы потушить[339].

Стандартный контрфактуальный подход здесь не работает, потому что ни одна причина не может быть названа каузальным фактором (так как при таком подходе всегда есть дополнительная причина). Хотя на интуитивном уровне определенную долю ответственности можно возложить на оба фактора. Одно из слабых мест этого подхода в том, что он рассматривает причины индивидуально, а не как части общего контекста, который привел к соответствующему исходу.

Ричард Райт (1985) для этих ситуаций ввел условия NESS, сходные с INUS-условиями Маки[340]. Суть их в следующем: нечто считается причиной, если оно есть необходимый (N) элемент (E) достаточного (S) набора (S) условий[341]. Как и в случае с условиями INUS, или причинными комплексами, это означает, что следствие происходит, когда присутствует полный набор, а причина – лишь один из необходимых компонентов. С другой стороны, если компонент в наборе отсутствует, следствия не происходит. В случае с ДТП неработающие тормоза – часть одного набора достаточных условий, а неисправность тормозов – часть другого. Тогда оба они считаются условиями NESS и в рамках ситуации оба, по видимости, несут ответственность за аварию.

Но здесь поиск правильного ответа также требует присутствия еще некоего фактора, выходящего за рамки причинных рассуждений. Когда мы говорим, что водитель должен был вести себя определенным образом с учетом его знаний на тот момент (даже если это не изменит исход ситуации), мы виним водителя за то, что он не действовал согласно правилам дорожного движения. Это возвращает нас к трудам на тему вины, которые мы обсуждали в главе 2, когда люди должны были судить нарушения поведенческих норм.

Скажем, кто-то спугнул голубя, и тот, вспархивая, налетел на человека, переходящего улицу. Пешеход останавливается посреди дороги, и мотоциклист вынужден в последнюю минуту сделать вираж, чтобы не сбить его. При этом он оказывается на пути такси, которое ударяется о пожарный гидрант, поток воды из разбитого гидранта затапливает подвал соседнего здания и нарушает подачу электричества. Некто, спугнувший голубя, запустил цепочку событий, и можно поспорить, что именно он стал причиной последующих событий, но трудно будет найти того, кто посчитает, будто именно этого человека стоит винить за последующую цепочку событий – даже если согласиться, что именно он стал их причиной. Таким образом, инцидент, где никто не виноват, все же может иметь причину.

В дополнение к идеям о причинах «если бы не» и NESS-тестам нужно усвоить понятие о дистанции между причиной и следствием, чтобы принять в расчет промежуточные события, способные послужить факторами вмешательства и изменить исход. Ближайшая причина – это причина, непосредственно связанная со следствием. Непосредственная причинность в области закона также включает аспект предсказуемости, когда некто обязан предвидеть, что причина может привести к следствию. Но случай с птицей иной, поэтому возможно, что испугавшийся голубь – это причина «если бы не», но не ближайшая.

Ключевой момент: в ситуации с ближайшими причинами мы различаем причинность и ответственность[342]. Сведение ответственности к ближайшим причинам освобождает отдаленные события (которые могли запустить цепь причин) от ответственности за непредсказуемые последствия. Самое слабое место таких подходов, как контрфактуальные умозаключения, – транзитивность[343].

Помимо поиска отдаленных причин, мы можем выяснить: нечто, предотвратившее следствие, на деле становится его причиной, потому что следствие происходит по-иному. Возможно, таксист, который не спеша вел машину, заставил вас пропустить обед в ресторане, где подали несвежие блюда; но в результате вы были вынуждены готовить дома и по чистой случайности сами спровоцировали пищевое отравление. Необходимость готовить дома зависит от того, насколько медленно едет таксист, а пищевое отравление – от вашей кулинарной сноровки.

Более жизненный сценарий – преступление, в котором жертва получила серьезное ранение, но в результате небрежного медицинского ухода позднее умерла. Даже если причиной потребности в медицинском вмешательстве стало правонарушение, в экстремальных случаях, когда доктора действовали вразрез со штатными процедурами, а уход за пострадавшим был «существенно неверным», утверждают, что именно лечение стало причиной смерти.

Один такой выходящий за рамки случай произошел в Великобритании (1956). Обвинение в убийстве и смертный приговор были сняты, поскольку гибель жертвы, которую ударили ножом, произошла не из-за ранения, а от медицинского ухода[344]. Состояние раненого пациента улучшилось и стабилизировалось после оперативного вмешательства, и ему дали антибиотик, чтобы не допустить инфицирования. У него развилась аллергическая реакция; препарат прекратили вводить, но другой доктор возобновил назначение, несмотря на аллергию. Позднее аутопсия выявила, что причиной смерти жертвы стал прием медикамента, к которому организм был чувствителен, а также избыток внутривенных вливаний, из-за которых жидкость залила легкие. Таким образом, медицинское лечение нарушило цепь причинно-следственных связей от ранения до смерти[345].

С другой стороны, ближайшая причина не обязательно должна иметь место непосредственно перед исходом, если ее можно однозначно с ним связать. Аутопсия, проведенная после смерти Джеймса Брэди, пресс-секретаря президента США Рональда Рейгана, выявила, что он скончался из-за пулевого ранения, совершенного более 30 лет назад. Такие случаи именуют «отсроченная насильственная смерть», когда жертва умирает из-за ранений по прошествии времени[346]. Более чем тридцатилетний период в этом случае придает ближайшей причине характер временной удаленности, но, поскольку имелись свидетельства того, как огнестрельное ранение может вызвать смерть подобного рода, медицинский эксперт квалифицировал ее как насильственную.

Если необходимо дать объяснение событиям повседневной жизни, стоит поискать новую информацию, которая поддержит либо опровергнет нашу гипотезу. Можно обратиться к любому количеству экспертов с вопросом: правда ли, что слишком яркая отделка соседского дома снижает цену вашей недвижимости? Нетрудно проверить квалификацию каждого эксперта, почитать материалы о ценах на жилье, провести эксперименты и т. д.

С другой стороны, члены жюри присяжных получают набор фактов из источников, которые они контролировать не способны. В некоторых случаях заседателям удается опросить свидетелей[347], но в основном они имеют информацию о доказательствах, не получая их напрямую. При всем наличии комплекса данных, которые, возможно, даже представлены не в хронологическом порядке, как присяжным скомбинировать показания и понять, что случилось?

Преобладает такая точка зрения: вместо того чтобы добавлять каждый новый факт в некий несвязанный пул свидетельств, который в итоге приходится оценивать целиком, или выносить решение о вине или невиновности, суммируя доказательства на конкретный момент времени[348], присяжные организуют информацию в единую историю по ходу судебного процесса. Повествовательная модель, предложенная в 1986 году Нэнси Пеннингтон и Рейдом Хасти, предлагает, чтобы члены жюри собрали доказательства в полный рассказ о случившемся, комбинируя представленные свидетельства (и их оценку) с собственными знаниями и опытом. Поскольку присяжные приходят к разным выводам, это может объясняться тем, что они составляют разные истории, как обнаружили Пеннингтон и Хасти в одном из экспериментов[349],[350].

Какое повествование покажется каждому из присяжных правдоподобным, частично зависит от его опыта, а частично от того, какое количество свидетельств оно может объяснить. Три ключевых фактора, определяющих доверие присяжных к истории, – это ее охват, логическая связность и уникальность. Если подсудимый имеет прочное алиби, тогда сюжеты, в которых он обладает значимостью для преступления, вызовут проблемы, поскольку не будут учитывать оправдательное доказательство. Это называется «охват истории». Аналогично повествование должно увязывать все факты в стройную систему. Если судья считает неправдоподобным, что следователь сфальсифицировал улики или что такой подлог противоречит остальной части сюжета, где следователь не имел мотивов для вмешательства, сценарии с такими чертами не будут логически связными. Иногда легко составить множество вероятных историй, сочетающихся с имеющимися фактами.

Если множество сюжетов окажутся логически связными, присяжные не будут уверены, какая трактовка самая вероятная. С другой стороны, если наличествует уникальная и логически связная история с хорошим охватом, вероятно, она и будет принята как объяснение.

И все-таки это не означает, что все присяжные составят и утвердят одну и ту же историю. То, что кажется достоверным одному, для другого выглядит иначе. Если у меня есть опыт общения со студентами, которые мошенничали с домашними заданиями, одновременно заявляя о своей невиновности, я, видимо, с большей долей вероятности составлю историю, в которой учащийся станет лгать, даже если это будет противоречить его словам. С другой стороны, кто-то, не имеющий такого опыта, может счесть неправдоподобным, чтобы студент мошенничал с домашней работой, которая ничего особенного не прибавит к его статусу, и при создании повествования сочтет его заявление более весомым[351].

Один из проблематичных аспектов судебного разбирательства – доказательства представляются в течение большого времени, притом необязательно в хронологическом порядке[352]. Таким образом, судья может начать с составления истории, в которой студент не жульничал, а напротив, списывали другие учащиеся, слабее подготовленные. Но, если появятся новые свидетели, которые видели его обманные действия, эта новая информация будет включена в историю. Ситуацию еще более осложняет то, что многочисленные свидетельства зависят друг от друга. Если мы поверим свидетелям и, таким образом, снимем со счетов утверждение студента, что он не списывал, то и к другим его словам будет меньше доверия[353].

Большая часть экспериментальных свидетельств того, как именно рассуждают присяжные, взята из результатов изучения импровизированных жюри присяжных[354]. Однако эти симуляции не всегда воспроизводят некоторые важнейшие атрибуты реального суда, где присяжные порой перегружены информацией за длительный период и могут вести себя по-разному в важных случаях (к примеру, когда необходимо решить, заслуживает ли обвиняемый смертного приговора, при этом зная, что за свои решения они не понесут наказания). Точно так же сам процесс выбора членов суда присяжных может дать разный состав участников в реальных случаях или симуляциях.

Однако в реальности обсуждение присяжными решения – процесс приватный[355]. Известно единственное исключение – Аризонский проект видеозаписи (Arizona Filming Project), в рамках которого весь процесс судебного разбирательства, в том числе совещания присяжных, снимался на видео для последующего анализа[356]. Исследователи обнаружили, что в 50 изученных случаях присяжные действительно составляли истории на основе имеющихся свидетельств, иногда делая это совместно во время совещаний, а порой обсуждая сценарии друг друга при оценке свидетельских показаний[357].

Ниже приведена выдержка из стенографической записи совещания в ходе судебного процесса, проходившего до того, как был представлен весь комплекс свидетельств[358].

Первый присяжный: «Он [истец] сказал, что увеличил скорость, когда увидел, что горит желтый сигнал светофора, а тот сменился на красный. Я не совсем понял: какой свет увидел [истец], желтый или красный, когда [ответчик] на него наехал?»

Седьмой присяжный: «Это был красный свет, и он должен был продолжить движение, потому что иначе застрял бы посередине перекрестка».

Первый присяжный: «Но в следующий раз он [истец] сказал, что видел, как другой человек заметил изменение света, так что он [ответчик] увеличил скорость, или, возможно, это сказал ему [другой свидетель]. Стрелка поворота налево не горела».

Седьмой присяжный: «Если вы видите, как кто-то увеличивает скорость, что вы делаете? Я бы оставался на месте».

Первый присяжный: «Да».

Шестой присяжный: «Вот поэтому нам нужно подождать и поговорить с судьей… какие законы приняты в этом штате?»

Первый присяжный: «Да, считается, что вы не должны находиться на перекрестке…»

Шестой присяжный: «Значит, сигнал поворота не горел, правильно? Стрелка не горела? Так что он делал на перекрестке?»

Седьмой присяжный: «Нужно, чтобы свидетели сказали, проехал ли он на запрещающий сигнал светофора».

Здесь присяжные пытаются осмыслить порядок событий в ДТП. Имеет место путаница относительно того, какой сигнал светофора горел, красный или желтый, и седьмой присяжный дает разъяснения как насчет самого факта (свет был красный), так и насчет объяснения (ответчик должен был продолжать движение, потому что уже выехал на перекресток). Присяжные оценивают достоверность заявления истца, поскольку оно меняется; выясняют, было ли это его непосредственное наблюдение или свидетельство «из вторых рук»; и затем сводят истории воедино на основании собственного жизненного опыта. Наконец, они обсуждают, какие аргументы им нужны, чтобы общая картина имела смысл (свидетельские показания).

Хотя это не сильно отличается от того, как мы объясняем события повседневной жизни, различие все же есть: оно в уровне тщательности, с которой рассматриваются каждое свидетельство и их совокупность. С другой стороны, разрабатывая теории заговора, люди часто активно игнорируют противоречивую информацию, одновременно выискивая аргументы в подтверждение и пытаясь увязать с ними имеющиеся факты. Судебное разбирательство представляет собой рамочную систему объяснения событий: отыскать как оправдательные, так и уличающие доказательства причинной зависимости; тщательно изучить представленные факторы и определить, что же произошло в действительности; при этом решить, много правдоподобных объяснений или всего одно.

В 2008 году город Нью-Йорк принял закон, требующий, чтобы ресторанные сети, имеющие более 15 торговых точек, указывали калорийность блюд в меню на видном месте. Довод был таков: потребление высококалорийной пищи приводит к ожирению и вредит здоровью. Однако, в отличие от производителей продуктов, рестораны редко предоставляют информацию о питательной ценности блюд. Если бы люди знали, сколько калорий потребляют, наверное, смогли бы изменить привычки питания.

Тем не менее исследования, проведенные в Нью-Йорке и других городах с тех пор, как эта политика приобрела общегосударственные масштабы, обнаружили не так уж много свидетельств в пользу действенности принятого закона[359]. Почему?

Программа указания калорийности блюд в меню исходит из допущений, что люди эту информацию заметят; что они пока недооценивают потребляемые калории; что они знают, как интерпретировать и использовать эти данные; и что такая политика будет одинаковой во всех сетевых ресторанах. Однако кардинального снижения потребления жирных блюд не случилось, напротив: в ряде случаев посетители заказывали в среднем больше «калорий», чем раньше[360].

Так случается из-за переоценки калорийности блюд людьми, которые сидят на диете или подсчитывают питательную ценность нездоровой пищи[361]. Тогда истинная информация может стать для них приятным сюрпризом, после чего они начнут заказывать более жирную еду.

Потребление также может возрасти или по крайней мере не снизиться, если люди не умеют обращаться с количественными данными. Чтобы подсчет калорий изменил поведение клиентов, мы должны сделать допущение: они умеют оценивать информацию в соответствующем контексте и понимают, что именно представляет собой каждое число. Если же никто не знает, каким должен быть их диапазон калорийности для конкретного приема пищи, любая информация окажется бессмысленной.

Данные о питательной ценности вместе с флаерами, где указывались рекомендованные на день пределы потребления, не оказали статистически значимого воздействия на жирность заказываемых блюд[362]. Порой поздно привлекать внимание к сведениям о калориях, когда посетители уже определились с заказом. Такая информация также может повлиять на поведение, заставляя людей выбирать другие рестораны. С другой стороны, исследования, основанные на системе светофора (когда здоровые продукты помечены зеленой иконкой, а самые вредные – красной), выявили больше доказательств изменения поведения[363].

Согласно одному из немногих исследований, продемонстрировавших вообще какую-то эффективность информации о калорийности в ресторанных меню, скромное снижение жирности заказываемых блюд, почти целиком отнесенное на счет еды, наблюдалось в Starbucks[364]. Это шестипроцентное снижение (от 247 до 232 калорий в среднем за заказ) в основном стало следствием сокращения количества заказываемых блюд, а не менее калорийных продуктов. Но клиенты сетевых кофеен приходят туда, как правило, не за едой.

Значимо шестипроцентное сокращение или нет, зависит также от того, компенсируют ли клиенты недобранные калории в другое время. Тогда любое исследование, выявившее наличие эффекта, возможно, не учитывает рестораны другого типа, которые подают иную пищу и обслуживают посетителей с непохожими запросами. Даже если мы обнаружим, что заказы людей различаются, все равно не сможем тут же отнести этот факт на счет представленной информации о калориях. Может же случиться, что рестораны изменили состав меню, снизив жирность некоторых блюд или удалив какие-то позиции еще до того, как проставили данные о калориях[365]. Хотя в каком-то смысле это может означать, что принятие закона увенчалось успехом, так как его следствием стало предложение более здоровой еды, но, скорее всего, воздействие печатных расчетов калорий на поведение потребителей преувеличено.

Как перейти от причин к решениям? Знания о том, что пробежки благотворно влияют на сердечно-сосудистую систему, вовсе не достаточно, чтобы решать, заниматься бегом или нет. Знания о том, что потребление соли у некоторых людей вызывает гипертензию, недостаточно, чтобы вынести решение о реализации политики в масштабах всей страны по поводу количества соли в пище. Будь мир идеален, мы бы решали, что делать, исходя из неопровержимых результатов тщательно спланированного эксперимента. Но в реальности мы вынуждены действовать на основе неполной и несовершенной информации. В одних случаях эксперимент невозможен, а в других может не хватать времени или ресурсов, чтобы дожидаться однозначных результатов.

В общем, информация бывает различной. В этой главе мы попытаемся увязать рассмотренные теории в единый комплекс соображений, которые следует принимать в расчет при оценке каузальных утверждений. Мы посмотрим, какого рода информация нужна для подтверждения причинной зависимости и что такое хорошее доказательство, в котором наличествуют необходимые свойства. Причина повышает вероятность следствия – это неотъемлемое свойство каузальности. Но различные способы это продемонстрировать могут привести к неожиданным выводам.

Выявление причин, разумеется, первый шаг, но для успешной выработки политики в отношении каждого человека и всего населения понадобится больше данных. Когда мы решаем предпринять некое действие, будь то смена значков ресторанного меню для поддержки здорового образа жизни или определение лекарства для снятия головной боли, мы выбираем из множества путей, ведущих к желаемому следствию. Причина, дающая результат в одном месте, может абсолютно не сработать в другом или вызвать побочные эффекты (как позитивные, так и негативные). Мы обсудим, как предсказать последствия вмешательства и сделать лучший выбор.

Не все причины равно поддаются вмешательствам, а наши воздействия не всегда и не только обусловливают реализацию причины, не меняя больше ничего.

Мы рассмотрим, почему нужно думать, какую причину использовать, чтобы вызвать к жизни следствие (например, печатать данные о питательной ценности или в обязательном порядке требовать считать калории в блюдах), а также как реализовать саму причину (например, бонусы за указание жирности или штрафы за невыполнение этого требования) и предсказать, что еще может измениться в итоге (например, переделка ресторанного меню ведет к росту потребления низкокалорийных подсластителей).

Оценка каузального утверждения

Не существует однозначного теста на причинную зависимость, работающего во всех случаях, однако на практике все равно приходится делать и оценивать каузальные утверждения.

Правдиво ли заявление, что телешоу 16 and Pregnant на канале MTV снижает уровень подростковой беременности в регионах, где его показывают?[366]

Никто не проводил рандомизированного эксперимента по просмотру этого телешоу, и по большей части мы даже не знаем, смотрели ли его конкретные люди. Хотя теоретически можно случайным образом создать выборку молодых людей, любящих различные телешоу, подростковая беременность – явление не слишком распространенное, так что создавать достаточно крупную выборку для анализа следствия нерационально.

Мы обсуждали, как с успехом проводить выборочные эксперименты для выявления причин, однако во многих ситуациях это невозможно, и приходится оценивать другие доказательства, чтобы определить вероятность причинного характера зависимости. Есть различие между тем, что мы можем узнать посредством совершенного, идеально спланированного выборочного эксперимента, и данными любого реального эксперимента, который может выполняться не «вслепую», на базе малой выборки и большинство участников которого не доходят до его конца.

Кроме того, неправда, что ВКЭ (выборочный контролируемый эксперимент) в любом случае и наверняка превосходит любое исследование методом наблюдения[367]. Если речь о том, что конкретный человек должен сделать выбор между различными вариантами лечения, долговременное наблюдение пациентов с аналогичными характеристиками может дать более ценную информацию, чем эксперимент на основе небольшой группы без сопутствующих патологий, как у этого человека, и о которых нельзя сказать, что после приема нескольких других лекарств не было никакого эффекта, как у него. Здесь мы как раз имеем дело с проблемой внешней валидности, которую рассматривали в главе 7.

Если ВКЭ неприменим в обстоятельствах, которые мы измеряем, то его результаты для этой цели не будут лучшими доказательствами. Даже если условия аналогичны: то, что реально в рамках исследования наблюдением (где можно повторно использовать данные, например, из электронных медицинских карт), будет отличаться от условий ВКЭ. Если мы хотим узнать, какое влияние оказывают на старение годы постоянных занятий спортом, чтобы разработать государственную политику в этой области, тогда данные наблюдений за 50 лет за десятками тысяч людей могут быть полезнее, чем двухлетний ВКЭ с сотней участников. Хотя ВКЭ позиционируется как золотой стандарт подтверждающей информации для каузальных утверждений, мы можем научаться причинности и без исследований, но для этого нужно знать, как оценивать неэкспериментальные свидетельства[368].

В 1960-х годах Брэдфорд Хилл разработал ряд факторов для оценки каузальных утверждений[369]. Их, однако, иногда неверно трактуют как набор критериев, или чек-лист, для определения причинности. Не каждый аспект необходим (может иметь место причинно-следственная связь, где не каждое свойство истинно), а полный их набор – достаточен (даже при ложной каузальной зависимости могут присутствовать все свойства), но этот метод предоставляет набор объектов для анализа в тех случаях, когда эксперимент невозможен, и увязывает воедино множество рассмотренных теорий[370].

Набор факторов можно приблизительно поделить на указывающие значимость причины для следствия (сила, последовательность, биологический градиент) и дающие информацию о механизме действия (специфичность, временной характер, правдоподобность, логическая связность, эксперимент, аналогия). Хотя предложенный список не соответствует в точности порядку Хилла, я привожу его расшифровку, чтобы лучше ориентироваться в соответствующих статьях[371]. Мы рассмотрим каждый из факторов и сформулируем некоторые вопросы для анализа и оценки.

Если указание калорийности в ресторанных меню снижает содержание калорий в блюдах, заказанных посетителями, тогда жирность блюд, заказанных в местах, где посетителям дают такие сведения, и теми, где не дают, должна существенно различаться.

Аналогично, если уровень рождения детей у юных матерей в регионах, где показывают телешоу о подростковой беременности, лишь ненамного ниже показателей для регионов, где такое шоу не идет, утверждение, что телепередача реально меняет показатели беременности, будет менее убедительно.

С другой стороны, если и потребление калорий, и показатели беременности значительно снижаются в обоих случаях, тогда это будет более весомым доказательством причинно-следственной связи. Этот метод тесно связан с вероятностными подходами к причинности (см. главу 5), определяющими шансы следствия после причины, а также с мерами силы причинно-следственной связи (из главы 6). Сила может означать, что событие становится гораздо более вероятным (информация о калорийности существенно увеличивает шансы на то, что клиенты закажут нежирные блюда) или что следствие будет иметь больший эффект (информация о калорийности приводит к пятидесятипроцентному снижению жирности блюд).

Однако отсутствие сильных связей не означает отсутствия каузальной зависимости. Возможно, сама причина не имеет достаточной силы – например, когда пассивное курение вызывает рак легких в гораздо меньшей степени, чем непосредственное. Это пример случая, когда причина слаба, но детерминирована: диета приводит к потере веса у любого, кто ей следует, но все теряют лишь небольшую долю массы тела в процентном отношении. Могут также существовать подгруппы, которые еще не идентифицированы: к примеру, информация о калорийности эффективна только для людей, которые уже считают калории. Если проанализировать данные для каждого, связь может показаться незначительной.

Точно так же мы обсуждали множество сильных корреляций, возникающих без соответствующей причинной зависимости. Один из примеров – синдром Дауна и очередность рождения детей в семье. Очередность рождения дает определенные сведения о возрасте матери (в среднем женщины, рожающие четвертого ребенка, старше первородящих) и, следовательно, сильно связана с синдромом Дауна, но не служит его фактической причиной[372]. Действительно ли сила корреляции – убедительное доказательство каузальности, зависит от того, брались ли эти возможные общие причины в расчет и могут ли они объяснить связь между следствиями[373].

Если мы наблюдаем сильную корреляцию, возникает ряд вопросов, среди которых можно назвать следующие.

• Асимметрична ли зависимость (почему мы убеждены, что одно – причина, а другое – следствие)?

• Можно ли объяснить корреляцию общей причиной двух переменных?

• Возможно ли отнести это на счет методологических проблем (ограниченный диапазон, смещение выбора, ошибка)?

• Верно ли, что другие факторы, которые мы игнорируем, сильно коррелируют со следствием?

• С учетом данных временных рядов можно ли объяснить взаимозависимость нестационарностью обеих переменных (возможно, со временем они приобретают одинаковую восходящую тенденцию)?

Если информация о калориях действительно снижает их потребление, такой результат должен быть подтвержден многими исследователями, которые используют разные методы, и должен быть истинным для большого количества ресторанов. Хотя это не совсем похоже на закономерности в теориях Юма и Маки, однако есть сходство: истинное причинное взаимоотношение должно наблюдаться не однократно, а во множестве экспериментов. Как мы говорили в главе 7, результаты могут не реплицироваться по разным причинам. Однако, выяснив, что информация о калориях не ведет к снижению жирности заказанных блюд во многих городах с различными группами населения (что утверждается учеными, применявшими несхожие методы), скажем: скорее всего, такой вывод не случайность. Вариации, имеющие место при повторении экспериментов, естественным образом повышают надежность утверждений о силе причинной взаимосвязи. С ними контрастирует постулат, что подсчет калорий привел к снижению жирности блюд в кофейнях в конкретном городе.

Непоследовательные результаты также можно использовать для опровержения причинных выводов, кажущихся сильными. В результате анализа множества статей о том, снижает или повышает та или иная пища риск заболевания раком, были найдены доказательства как за, так и против для почти любого протестированного продукта[374]. Кто угодно может избирательно выдрать из контекста литературы на эту тему факты, убедительно поддерживающие любое утверждение: всеобъемлющий же анализ покажет несостоятельность такого тезиса. Точно так же ложноположительные выводы одномоментной проверки множества гипотез (так что по чистой случайности одна из них может показаться значимой) не будут отличаться повторяемостью.

Если утверждение непоследовательно, какие можно сделать выводы? Возможно, важные свойства, необходимые, чтобы признать причину эффективной, присутствовали в одном месте, но не в другом. Например, многочисленные укусы москитов не обязательно вызывают малярию, поскольку заражение наступает только в том случае, если эти москиты – переносчики инфекции. Если неизвестны ключевые свойства эффективности, следствие может непредсказуемо варьироваться. Отметим, что непоследовательные результаты эксперимента не то же самое, что непоследовательность самой причины. Как и в случае с малярией, возможно, изученные группы населения существенно разнились.

Последовательные заключения все равно могут быть следствием ошибки или недосмотра, общих для всех экспериментов. К примеру, если в исследованиях фиксировалась только очередность рождения, но не возраст матери, сильно влияющий на итог, связь между очередностью и синдромом Дауна будет последовательна, но не каузальна.

Точно так же во всех исследованиях может наблюдаться одна и та же математическая погрешность, или же в них используются одни и те же загрязненные образцы.

К вопросам для оценки последовательности причинной взаимосвязи относятся такие[375].

• Имела ли место значимая вариация участников или методов эксперимента, которая может объяснить неудавшуюся репликацию?

• Насколько последовательны значения силы следствия в рамках всех исследований?

• Достаточным ли был исследовательский аппарат, чтобы выявить следствие?

• Были ли различные исследования независимыми (или у них были общие источники финансирования, например, одна и та же фармацевтическая компания оплачивала оба испытания)?

Если бы я сказала, что одно лекарство лечит рак, обычную простуду и малярию, это показалось бы совершенно невероятным. С другой стороны, мы знаем, что курение вызывает массу негативных последствий разной степени тяжести для здоровья.

Специфичность имеет отношение не просто к тому, как варьируются следствия некой причины, но и к силе влияния причины на каждое следствие. Это не означает, что причина обязана иметь единственное следствие (это крайне неправдоподобно). Более специфичная зависимость может дать более сильное подтверждение – в противовес тому, когда причина кажется очень важной, но теряет значимость среди множества следствий. Например, одно лекарство не сможет полностью исцелить много разных болезней, но окажет основное воздействие на одну из них и менее выраженное – на прочие. Точно так же, если некто заявил бы, что катание на велосипеде снижает смертность, это показалось бы неправдоподобным. С другой стороны, более достоверно утверждение, что велосипедный спорт снижает главным образом риск ожирения и смерти от сердечно-сосудистых заболеваний.

В некотором смысле специфичность также имеет отношение к тому, насколько непосредственна зависимость, о которой мы судим. Здесь могут иметь место весьма тонкие взаимосвязи: к примеру, электронные сообщения с просьбами о пожертвованиях на избирательную кампанию, рассылаемые в среду утром, дают больше средств, чем отправленные в субботу вечером. Сравните это с утверждением, где просто говорится, что рассылка электронных писем связана с увеличением собранных средств.

Специфичность зависит от уровня знаний. Если нам мало известно о том, как работает причина и каковы ее основные следствия, мы, возможно, обнаружим только очень косвенные ее доказательства (например, если проанализировать только уровень смертности курильщиков по сравнению со случаями рака легких и их летального исхода). Специфичность не необходимое условие, но сильная прямая зависимость воспринимается с большей готовностью, чем косвенная. В целом, однако, она считается одним из наименее важных критериев[376].

Правдоподобность множества следствий зависит от механизма гипотетической взаимосвязи. Если мы думаем, что защитный эффект велосипедных шлемов заключается в том, что они сокращают вероятность травмы головы, заметное снижение показателей подобных травм при минимальном влиянии на другие виды повреждений будет более убедительно, чем уменьшение риска всех травм. Падение общего количества повреждений можно также объяснить тем, что носители шлемов – более осторожные или опытные велосипедисты, которые с меньшей вероятностью травмируются[377].

Таким образом, специфичность нужно рассматривать совместно с силой взаимосвязи, принимая в расчет предыдущее знание.

• Вызывает ли причина разнообразные следствия, идентичные по силе?

• Что можно сказать о степени следствий этой причины по сравнению с тем, что ожидалось?

Привело ли сокращение подростковой беременности к увеличению просмотров телешоу на эту тему или все было как раз наоборот?

Как мы подробно обсуждали в главе 6, порядок событий – ключ к причинности. Порой, однако, неизвестно, что было сначала: телефонные звонки изменили настрой избирателей или все дело заключалось в грамотно составленном списке на обзвон, поскольку предпочтения голосующих были спрогнозированы исходя из результатов анализа демографических данных?

Упорядочивание последовательности событий – ключ к определению истинного направления причинно-следственной связи.

К примеру, симптомы заболевания, выявленные на ранней стадии, могут предшествовать постановке диагноза, однако в действительности это болезнь вызывает симптомы. Порядок вмешательства и результат видны в выборочном эксперименте, и их также можно узнать из наблюдательных данных по временным рядам (допуская, что измерения проводились достаточно регулярно, если А происходит перед B, это наблюдается последовательно). Однако подобное соображение может создать проблемы при исследованиях единовременных событий. Подобные перекрестные эксперименты делают «моментальный снимок» выборки: к примеру, людей спрашивают, где они живут и какими аллергиями страдают. Но это лишь скажет о ситуации в конкретный момент, и мы не сможем узнать, имел ли некто это заболевание до того, как переехал, и не спровоцировал ли проблему именно переезд.

Хотя приоритет по времени означает, что причина была перед следствием, мы также должны учитывать, сколько времени прошло между ними. Правдоподобность большого временного интервала зависит от уже имеющихся знаний. Если вы видите, как кто-то хочет спуститься по крутому желобу-горке для катания, вы ждете, что он окажется внизу гораздо быстрее, чем если бы горка была менее крутая, так что длительная задержка неправдоподобна в первом случае, а короткая – во втором. Мы могли наблюдать это в психологических исследованиях (см. главу 4), когда участники считали причинную взаимосвязь более вероятной при коротком запаздывании, за исключением случаев, когда им было известно, что механизм действия срабатывает медленнее. Если воздействие асбеста и развитие онкологического заболевания разделяет интервал всего в одну минуту, это крайне невероятно. А вот минута между прочтением информации о калорийности и изменением заказа вполне правдоподобна.

Аналогично, даже если причина случается перед следствием, она вполне может оказаться не единственной вещью, которая тогда произошла. Если расчет калорий представлен в то самое время, когда рестораны вносят кардинальные изменения в свои меню, трудно сказать, какое событие отвечает за перемены в поведении клиентов. К примеру, в некоторых работах утверждается, что учителя начальной школы могут влиять на уровень заработной платы бывшего ученика спустя десятилетия[378]. Чтобы подтвердить достоверность этого, мы должны иметь определенные доводы в пользу существования некоего следствия, действие которого тянется с самого детства (и приводит к другой цепочке событий, связанных с зарплатой), что оно не искажается общей причиной и не объясняется другими промежуточными причинами.

Вне зависимости от того, наблюдаем ли мы причину, происходящую до следствия, ключевые соображения будут такими.

• Корректен ли видимый порядок событий, нет ли искажения или какой-нибудь погрешности в методе сбора данных?

• Достоверна ли задержка по времени с учетом возможного механизма действия причины?

• Если есть длительная задержка, нельзя ли отнести следствие на счет других факторов, вмешивающихся в ход событий после гипотетической причины?

• И наоборот, не произошли ли примерно в то же время другие события, способные объяснить следствие?

Можно ли сказать, что чем больше причина, тем больше и следствие? Именно на этом основан метод сопутствующих изменений Милля[379]: если доза причины растет, реакция, которую она вызывает, также должна расти. Риск заболевания возрастает, если рабочие проводят больше времени в условиях загрязнения асбестом, поскольку его воздействие на организм увеличивается. С другой стороны, кажется неправдоподобным, что именно один бокал вина в день – доза, полезная для здоровья, поскольку маловероятно, что тело настолько чувствительно к чуть большему или чуть меньшему количеству вина.

«Доза» может также относиться к расстоянию: например, насколько близко к зараженной водяной колонке проживали обитатели Лондона, когда Сноу обнаружил, что в ней кроется причина заболевания холерой[380]. Если каждый из проживающих на приличном удалении имел аналогичный риск заражения, это стало бы менее убедительным доказательством, чем если бы риск снижался с удалением от означенной колонки.